Queremos fazer análises explorativas como o bioma amazônia se comportou durante as ultimas décadas, tendo em vista todos os mandatos de governos que passaram e como as fronteiras agrícolas se comportaram. Para isso, precisamos de dados do meio ambiente, de eleições e de agropecuária.

Obs: é preciso ter executado os comandos !pip install basedosdados e !pip install plotly antes de rodar células abaixo

Importando ferramentas

import basedosdados as bd
import numpy as np
import pandas as pd
import plotly
import plotly.express as px
import plotly.offline as py
import plotly.graph_objs as go
import json
with open('estados.json', encoding="utf8") as geojson:
    estados = json.load(geojson)

Lendo tabela de informação de candidatos eleitos

Para pegar as informações relevantes, selecionamos só os governantes de UFs que têm dados sobre sua cobertura de mata amazônia na basedosdados

A consulta em si está na pasta de consultas SQL com o nome 'GovernoEstado.sql'

Aqui importamos o csv gerado pela consulta descrita acima

csvGov= pd.read_csv('ConsultasEmCsv/governosestados.csv')

csvGov.head(10)

	anos	sigla_uf	sigla_partido
0	1994	AC	PPR
1	1998	AC	PT
2	2002	AC	PT
3	2006	AC	PT
4	2010	AC	PT
5	2014	AC	PT
6	2018	AC	PP
7	1994	AM	PPR
8	1998	AM	PFL
9	2002	AM	PPS

Lendo tabela de informação de cobertura do bioma amazônia por estado e ano

Pegamos as informações da área do bioma Amazônia relacionada ao estado e ao ano em que foram registradas

A consulta em si está na pasta de consultas SQL com o nome 'AreaTotAmazonia.sql'

Aqui importamos o csv gerado pela consulta descrita acima

csvCob= pd.read_csv('ConsultasEmCsv/coberturaanoestado.csv')

csvCob.head(10)

	ano	estado_abrev	areatotal
0	1985	AC	158629.949213
1	1986	AC	158481.673831
2	1987	AC	158058.639895
3	1988	AC	157346.219951
4	1989	AC	156778.336434
5	1990	AC	156485.547716
6	1991	AC	155840.069900
7	1992	AC	155721.231168
8	1993	AC	154725.256883
9	1994	AC	154742.431297

Queremos saber quais partidos foram mais permissivos em relação a perda do bioma da amazônia

Vamos relacionar as duas tabelas para obter o dataset o qual utilizaremos para operações e análises no pandas, com o objetivo de responder o questionamento acima.

Com as duas tabelas acima, fazemos um inner join nos parametros anos e estados para relacionar as mudanças dos biomas com o partido governante

csvCob = csvCob.rename(columns = {'estado_abrev' : 'sigla_uf', 'anos' : 'ano' })
csvGov = csvGov.rename(columns = {'anos' : 'ano'})

#fazemos o join entre os dataframes de interesse
lig = csvCob.merge(csvGov, how = 'inner', on= ['ano', 'sigla_uf'])
lig.head()

	ano	sigla_uf	areatotal	sigla_partido
0	1994	AC	154742.431297	PPR
1	1998	AC	152234.087485	PT
2	2002	AC	148017.291313	PT
3	2006	AC	147719.725350	PT
4	2010	AC	146517.504490	PT

Adicionando coluna na qual queremos armazenar a porcentagem de cobertura de amazônia perdida por mandato de governo

#Usando o pandas, adicionando uma coluna inicialmente vazia
lig["delta"] = None
lig.head(15)

	ano	sigla_uf	areatotal	sigla_partido	delta
0	1994	AC	1.547424e+05	PPR	None
1	1998	AC	1.522341e+05	PT	None
2	2002	AC	1.480173e+05	PT	None
3	2006	AC	1.477197e+05	PT	None
4	2010	AC	1.465175e+05	PT	None
5	2014	AC	1.456493e+05	PT	None
6	2018	AC	1.441178e+05	PP	None
7	1994	AM	1.505151e+06	PPR	None
8	1998	AM	1.503607e+06	PFL	None
9	2002	AM	1.503723e+06	PPS	None
10	2006	AM	1.497690e+06	PMDB	None
11	2010	AM	1.496009e+06	PMN	None
12	2014	AM	1.492836e+06	PROS	None
13	2018	AM	1.488467e+06	PSC	None
14	1994	AP	1.368060e+05	PSB	None

Função para armazenar a perda de cobertura do bioma por mandato

Nessa função, percorremos as linhas do database e pegamos a informação da área antes e após o mandato, para armazenar a porcentagem de quanto mudou na coluna delta e armazenar a perda total de área na nova coluna perdatot

lig["delta"] = None
lig["perdatot"]= None
for index in lig.index:
    line = lig.iloc[index]
    ano = line.ano
    est = line.sigla_uf
    areaantiga = line.areatotal
    areaatual = lig[(lig.sigla_uf==est) & (lig.ano == ano + 4)].areatotal
    if len(areaatual) == 0:
        areaatual= None
    else:
        areaatual= areaatual.iloc[0]
        lig.loc[index,'delta'] = (-1)*((areaatual - areaantiga)/ areaantiga)*100
        lig.loc[index, 'perdatot'] = areaantiga - areaatual

#variável 'deltadb' agora armazena os deltas de áreas
deltadb = lig
#removemos linhas em que nao temos informações do desmatamento
deltadb = deltadb.dropna()

Abaixo temos o dataframe mais importante para esta análise até agora:

deltadb.head()

	ano	sigla_uf	areatotal	sigla_partido	delta	perdatot	governo_ano
0	1994	AC	154742.431297	PPR	1.62098	2508.343812	(PPR)1994-1998
1	1998	AC	152234.087485	PT	2.769942	4216.796173	(PT)1998-2002
2	2002	AC	148017.291313	PT	0.201035	297.565963	(PT)2002-2006
3	2006	AC	147719.725350	PT	0.813853	1202.22086	(PT)2006-2010
4	2010	AC	146517.504490	PT	0.592542	868.178236	(PT)2010-2014

Com a porcentagem da área perdida relacionada com o partido que estava no mandato, podemos fazer cálculos para comparar quem foi mais permissivo em relação à perda da biodiversidade

#Vamos usar as duas colunas, a que indica o partido que governou, e o saldo do mandato em relação a área do bioma
ptbioma= deltadb[['sigla_partido','delta','perdatot'] ]
ptbioma.head(10)

	sigla_partido	delta	perdatot
0	PPR	1.62098	2508.343812
1	PT	2.769942	4216.796173
2	PT	0.201035	297.565963
3	PT	0.813853	1202.22086
4	PT	0.592542	868.178236
5	PT	1.051536	1531.555535
7	PPR	0.102529	1543.20929
8	PFL	-0.007702	-115.813629
9	PPS	0.401206	6033.033481
10	PMDB	0.112286	1681.694831

Somamos porcentagens por cada partido e fazemos uma média em relação a quantos mandatos o partido teve, para poder comparar qual foi o mais permissivo

Somando porcentagens por partido:

a= ptbioma.groupby('sigla_partido').delta.sum()

Contando instâncias de partidos para fazer a média

b = ptbioma.groupby('sigla_partido').sigla_partido.count()

Pegando series dos partidos

pts = pd.unique(ptbioma ['sigla_partido'])
pts = pd.Series(pts)

Pegando a média da perda por mandato, organizando por partidos

mediapercentpart = a/b
s = mediapercentpart.sort_values(ascending=True)
mptd = pd.DataFrame({'sigla_partido':s.index, 'média_por_mandato': s.values})
mptd

	sigla_partido	média_por_mandato
0	PSB	0.042159
1	PSL	0.142464
2	PMN	0.212082
3	PROS	0.292676
4	PTB	0.453156
5	PPB	0.822836
6	PP	0.902800
7	PDT	1.096243
8	PT	1.156398
9	PSDB	1.282231
10	PMDB	2.042366
11	PC do B	2.601661
12	PPS	3.279318
13	PFL	4.571913
14	PPR	6.260845

Queremos mostrar um gráfico de barras com as informações de quais são os partidos que mais permitem a perda da biodiversidade

fig = px.bar(mptd, y='média_por_mandato', x='sigla_partido' ,title='Porcentagem de perda do bioma da amazônia por mandato')
fig.update_traces(texttemplate='%{text:.2s}', textposition='outside')
fig.update_layout(uniformtext_minsize=8, uniformtext_mode='hide')
fig.show()

Vamos ver quais partidos tem mais área de amazônia perdidas somadas no seu histórico em totalidade:

Obs: Essa é uma análise mais por curiosidade, pois não é boa para comparar os partidos, já que um partido pode ter muito mais mandatos que outros. Porém também faremos a média para ter o dado comparativo.

Somando perda de áreas relacionadas ao partido:

ap= ptbioma.groupby('sigla_partido').perdatot.sum()
ap = ap.sort_values(ascending = True)
dfap = pd.DataFrame({'sigla_partido':ap.index, 'total_por_partido': ap.values})
dfap.tail(5)

	sigla_partido	total_por_partido
10	PMDB	12486.940678
11	PT	23530.903038
12	PFL	24712.721232
13	PPS	50546.465928
14	PSDB	116128.834019

Para ter uma ideia do total de área da amazônia perdida, plotamos um gráfico:

fig = px.bar(dfap, y='total_por_partido', x='sigla_partido' ,title='Perda total do bioma por partido (somando mandatos)')
fig.update_traces(texttemplate='%{text:.2s}', textposition='outside')
fig.update_layout(uniformtext_minsize=8, uniformtext_mode='hide')
fig.show()

Vemos que o PSDB tem uma área total perdida da amazônia bem desproporcional aos outros partidos.

Vamos ver a perda de área comparativamente para ver se o PSDB ainda se sobresai:

Agora a análise é comparativa e útil para fins de comparação

#vamos utilizar as variáveis b e ap que guardam o count() e a áreatotal dos partidos, respectivamente
#abaixo dividimos a area total pelo partido:
med= ap/b
med = med.sort_values(ascending=True)
medtd = pd.DataFrame({'sigla_partido':med.index, 'média_area_total_por_mandato': med.values})
medtd.tail(5)

	sigla_partido	média_area_total_por_mandato
10	PFL	3530.388747
11	PT	3921.817173
12	PROS	4369.168423
13	PPS	12636.616482
14	PSDB	12903.203780

Gráfico:

fig = px.bar(medtd, y='média_area_total_por_mandato', x='sigla_partido' ,title='Média da perda total por mandato')
fig.update_traces(texttemplate='%{text:.2s}', textposition='outside')
fig.update_layout(uniformtext_minsize=8, uniformtext_mode='hide')
fig.show()

O PPS e o PSDB são partidos que não tem políticas eficientes de preservação da biodiversidade brasileira, eles destoam em comparação à outros partidos, segundo esses dados.

Vamos selecionar os estados que tiveram perdas mais massivas, quantitativamente e comparativamente, em relaçao ao bioma da amazônia

Queremos a perda total no espaço amostral de tempo por cada estado, vamos selecionar o que teve mais área perdida comparativamente para visualizar , posteriormente, os dados de como foram a sequencia de mandatos, e em qual mandato mais teve perda

perdaestado= deltadb.groupby('sigla_uf').perdatot.sum()

perdarelativaestado= deltadb.groupby('sigla_uf').delta.sum()

Temos a informação da soma das perdas, mas ainda precisamos normalizar o dado, já que a cobertura de tempo de diferentes estados também é diferente

countestado=deltadb.groupby('sigla_uf').sigla_uf.count()

Calculamos as perdas relativas e quantitativas:

## Perda total, para comparar quantitativamente
pestcpt= perdaestado/countestado
pestcpt = pestcpt.sort_values(ascending=False)

## Perda percentual, para comparar percentualmente
pestrel= perdarelativaestado/countestado
pestrel = pestrel.sort_values(ascending=False)

Transformando séries acima em dataframe

#perda quantitativa
dfa =pestcpt.reset_index()
dfa.columns = ['sigla_uf', 'perda']
dfa

	sigla_uf	perda
0	PA	18446.532540
1	MT	16426.500100
2	RO	7041.456408
3	MA	3430.417974
4	AM	2780.677268
5	AC	1770.776763
6	RR	1080.794463
7	TO	320.613967
8	AP	88.354228

#perda relativa
dfb =pestrel.reset_index()
dfb.columns = ['sigla_uf', 'perda']
dfb

	sigla_uf	perda
0	MA	5.146821
1	MT	4.209027
2	RO	4.144400
3	TO	2.966543
4	PA	1.764645
5	AC	1.174981
6	RR	0.500949
7	AM	0.185513
8	AP	0.064529

Vemos que quantitativamente, as unidades federais que mais perderam áreas amazônicas: Pará, Mato Grosso e Rondônia.

Também vemos que comparativamente, as unidades federais que mais perderam áreas amazônicas: Maranhão, Mato Grosso e Rondônia

Vamos mostrar o mapa referente a perda total da área da amazônia por estado:

dfp =pestcpt.reset_index()
dfp.columns = ['sigla_uf', 'perda']
fig = px.choropleth_mapbox(dfp, 
                           geojson=estados, locations='sigla_uf', color='perda',
                           featureidkey="properties.sigla",
                           color_continuous_scale="Viridis",
                           mapbox_style="carto-positron",
                           center = {"lon": -60.0261, "lat": -3.10719 },
                           zoom = 3
                          )

fig.show()

Vemos que o Pará e o Mato Grosso sofreram em peso com a perda do bioma.

Vamos mostrar o mapa relativo a perda relativa (%), por estado, da área da amazônia:

dfp =pestrel.reset_index()
dfp.columns = ['sigla_uf', 'perda']
fig = px.choropleth_mapbox(dfp, 
                           geojson=estados, locations='sigla_uf', color='perda',
                           featureidkey="properties.sigla",
                           color_continuous_scale="Viridis",
                           mapbox_style="carto-positron",
                           center = {"lon": -60.0261, "lat": -3.10719 },
                           zoom = 3
                          )

fig.show()

Agora temos os mapas acima para observar o que aconteceu nos estados ao longo dos anos 90 ~ 20

Modelando os dados dos 3 estados que mais sofreram comparativamente para poder plotar em gráficos:

Vemos acima que comparativamente, os 3 estados que mais sofreram foram MA, MT e RO, vamos nos aprofundar neles para ver o que aconteceu com cada um.

Abaixo, modelamos um novo data frame que esteja organizado por estado e ao longo dos anos tenha sua respectiva áreatotal. Modelamos desse formato para poder plotar em um gráfico de linhas.

col = pd.unique(deltadb["sigla_uf"])
cobvis=csvCob.query('ano >= 1994 and ano <= 2018 and (sigla_uf == "MA" or sigla_uf == "MT" or sigla_uf == "RO" )')
cobmavis = cobvis.query('sigla_uf == "MA"')
cobmtvis = cobvis.query('sigla_uf == "MT"')
cobrovis = cobvis.query('sigla_uf == "RO"')
newdf = pd.DataFrame(columns = col)

newdf["ano"]=pd.unique(cobvis["ano"])


newdf = newdf.merge(cobmavis,how = 'inner', on = 'ano').merge(cobmtvis,how= 'inner', on = 'ano').merge(cobrovis,how= 'inner', on = 'ano')
newdf = newdf[['ano','areatotal_x','areatotal_y', 'areatotal']]
newdf = newdf.rename(columns = {'areatotal_x': 'MA', 'areatotal_y': 'MT', 'areatotal' : 'RO'})
newdf.head()

	ano	MA	MT	RO
0	1994	75481.156639	433299.150186	195376.592716
1	1995	74272.545092	429766.345561	191833.580550
2	1996	72223.250740	422290.605462	188182.214708
3	1997	72837.223173	412144.718601	186252.888139
4	1998	71104.771291	409861.953011	183489.029383

Aqui usamos a biblioteca plotly para mostrar área total do bioma amazônico nos estados:

fig = px.line(newdf, x='ano', y=newdf.columns,
             title='Área total(km²) do bioma amazônia nesses estados entre 1994 e 2018',
            line_shape = 'spline')

fig.show()

Agora vamos fazer um mapa de calor com as perdas de áreas em relação ao tempo:

Como precisamos comparar os dados, vamos pegar só os anos em que todas possuem informações (1998 à 2010)

Pegando informações respectivas ao gráfico:

heat =deltadb.query(' (sigla_uf == "MA" or sigla_uf == "MT" or sigla_uf == "RO")  and ano >=1998 and ano <= 2010')
heat.head()

	ano	sigla_uf	areatotal	sigla_partido	delta	perdatot
22	1998	MA	71104.771291	PFL	8.05166	5725.114204
23	2002	MA	65379.657086	PFL	7.14347	4670.376412
24	2006	MA	60709.280675	PDT	4.124277	2503.819022
25	2010	MA	58205.461653	PMDB	3.161876	1840.384696
28	1998	MT	409861.953011	PSDB	6.03587	24738.735802

Abaixo: modelando dataframe para mostrar um mapa de calor organizado

mahe = heat.query('sigla_uf == "MA"')
mahe = mahe [['delta']]
mahe = mahe.astype(int)
mthe = heat.query('sigla_uf == "MT"')
mthe = mthe [['delta']].astype(int)
rohe = heat.query('sigla_uf == "RO"')
rohe = rohe [['delta']].astype(int)

f = [mahe.delta.values,mthe.delta.values,rohe.delta.values]
f

[array([8, 7, 4, 3]), array([6, 8, 2, 0]), array([5, 7, 1, 2])]

Agora conseguimos plotar:

Obs: As porcentagens foram arredondadas pois esse plot só trabalha com inteiros

fig = px.imshow(f,
                labels=dict(x="Ano", y="Estado", color="Perda de cobertura do bioma (%)"),
                x=['1998->02', '2002->06', '2006->10', '2010->14'],
                y=['MA', 'MT', 'RO']
               )
fig.update_xaxes(side="top")
fig.show()

Vamos explorar os dados e procurar quais foram os governos desses estados que mais sofreram para ver qual foi mais nocivo para o bioma da amazônia:

Selecionando dados referentes aos 3 estados que mais sofreram (MA, RO e MT) com a perda do bioma amazônia e adicionando os mandatos:

Abaixo adicionamos o governo em dado mandato no dataframe mais completo

rodb= deltadb
rodb["governo_ano"]=  "("+ rodb["sigla_partido"] + ")"+rodb["ano"].astype(str) + "-" + ((rodb["ano"] + 4 ).astype(str)) 
rodb = rodb.rename(columns = {'perdatot' : 'perda_total', 'governo_ano' : 'governo_quadrienio'})
rodb.head()

	ano	sigla_uf	areatotal	sigla_partido	delta	perda_total	governo_quadrienio
0	1994	AC	154742.431297	PPR	1.62098	2508.343812	(PPR)1994-1998
1	1998	AC	152234.087485	PT	2.769942	4216.796173	(PT)1998-2002
2	2002	AC	148017.291313	PT	0.201035	297.565963	(PT)2002-2006
3	2006	AC	147719.725350	PT	0.813853	1202.22086	(PT)2006-2010
4	2010	AC	146517.504490	PT	0.592542	868.178236	(PT)2010-2014

Abaixo queremos ver as informações do estado do Mato Grosso

mtdb= rodb.query('sigla_uf == "MT"')
mtdb = mtdb[['governo_quadrienio','perda_total']]
mtdb

	governo_quadrienio	perda_total
28	(PSDB)1998-2002	24738.735802
29	(PPS)2002-2006	34346.750475
30	(PPS)2006-2010	7507.266226
31	(PMDB)2010-2014	-886.752105

Gráfico:

fig = px.bar(mtdb, x="governo_quadrienio", y="perda_total", title="Perda de cobertura do bioma em km² por mandato no Mato Grosso")
fig.show()

Obs: perda negativa quer dizer que houve um reflorestamento (um ganho de área do bioma amazônia)

Concluímos que no estado do Mato Grosso, na cobertura de tempo de 1998 a 2014, o governo que mais permitiu a perda do bioma foi o do partido PPS (atual Cidadania).

Abaixo queremos ver as informações do estado do Maranhão

madb= rodb.query('sigla_uf == "MA"')
madb = madb[['governo_quadrienio','perda_total']]
madb

	governo_quadrienio	perda_total
21	(PFL)1994-1998	4376.385349
22	(PFL)1998-2002	5725.114204
23	(PFL)2002-2006	4670.376412
24	(PDT)2006-2010	2503.819022
25	(PMDB)2010-2014	1840.384696
26	(PC do B)2014-2018	1466.428162

Gráfico:

fig = px.bar(madb, x="governo_quadrienio", y="perda_total", title="Perda de cobertura do bioma em km² por mandato no Maranhão")
fig.show()

Concluímos que no estado do Maranhão, na cobertura de tempo de 1994 a 2018, o governo que mais permitiu a perda do bioma foi o do partido PFL.

Abaixo queremos ver as informações do estado de Rondônia

rondb= rodb.query('sigla_uf == "RO"')
rondb = rondb[['governo_quadrienio','perda_total']]
rondb

	governo_quadrienio	perda_total
39	(PFL)1998-2002	9293.785503
40	(PSDB)2002-2006	13747.831667
41	(PPS)2006-2010	2659.415745
42	(PMDB)2010-2014	3187.870788
43	(PMDB)2014-2018	6318.378338

Gráfico:

fig = px.bar(rondb, x="governo_quadrienio", y="perda_total", title="Perda de cobertura do bioma em km² por mandato em Rondônia")
fig.show()

Concluímos que no estado de Rondônia, na cobertura de tempo de 1998 a 2018, o governo que mais permitiu a perda do bioma foi o do partido PSDB.

Agora que exploramos sobre a perda da amazônia em relação aos seus mandatos, vamos tentar explorar como a perda do bioma se relaciona com a agropecuária

Vamos importar mais uma consulta em SQL, referente à area coberta por lavouras em cada estado ao longo dos anos.

Queremos ver a relação da perda do bioma nos estados com como a agropecuária tem se comportado, já que existe desmatamento ilegal de áreas amazônicas para criação de terrenos voltados para agropecuária.

#importando dados referentes à ConsultasEmCsv/areagro.csv: 
csvAg= pd.read_csv('ConsultasEmCsv/areaagro.csv')
csvAg.tail()

	ano	sigla_uf	area_total_plantada
670	2014	TO	4269
671	2015	TO	4209
672	2016	TO	4577
673	2017	TO	4083
674	2018	TO	13074

Acima estão dados de lavouras permanentes, também queremos dados de lavouras temporárias

csvAgt= pd.read_csv('ConsultasEmCsv/areaagrotemp.csv')
csvAgt = csvAgt.rename(columns = {'area_total_plantada': 'areaplantemp'})
csvAgt.head()

	ano	sigla_uf	areaplantemp
0	1994	AC	117045
1	1995	AC	107648
2	1996	AC	65915
3	1997	AC	68512
4	1998	AC	75309

Relacionando as duas tabelas acima para somar a área plantada de tanto lavouras permanentes quanto temporárias:

jag = csvAg.merge(csvAgt, how = 'inner', on = ['ano','sigla_uf'])
adb = jag.merge(csvCob,how = 'inner', on = ['ano','sigla_uf'])
adb.tail()

	ano	sigla_uf	area_total_plantada	areaplantemp	areatotal
220	2014	TO	4269	1034697	6869.580852
221	2015	TO	4209	1199494	6951.741695
222	2016	TO	4577	1227972	6592.706262
223	2017	TO	4083	1278462	6853.481358
224	2018	TO	13074	1348373	6645.391944

Somando áreas de lavouras temporárias e permanentes:

som = adb['area_total_plantada'] + adb[ 'areaplantemp']
adb["sumareaplant"] = som
adb.head()

	ano	sigla_uf	area_total_plantada	areaplantemp	areatotal	sumareaplant
0	1994	AC	8154	117045	154742.431297	125199
1	1995	AC	12265	107648	154298.809479	119913
2	1996	AC	7774	65915	153240.042606	73689
3	1997	AC	8201	68512	152588.674459	76713
4	1998	AC	7904	75309	152234.087485	83213

Como a área plantada está em hectares, precisamos converter para km²

adb[['sumareaplant']] = som * 0.01
adb.head()

	ano	sigla_uf	area_total_plantada	areaplantemp	areatotal	sumareaplant
0	1994	AC	8154	117045	154742.431297	1251.99
1	1995	AC	12265	107648	154298.809479	1199.13
2	1996	AC	7774	65915	153240.042606	736.89
3	1997	AC	8201	68512	152588.674459	767.13
4	1998	AC	7904	75309	152234.087485	832.13

Abaixo vamos modelar um novo dataframe para armazenar informações que queremos mostrar no gráfico

#ests armazena os estados presentes nos dados
ests = adb['sigla_uf'].unique()
#anos armazena os anos presentes nos dados
anos = adb['ano'].unique()

cdest = []
emdf = pd.DataFrame()
emdf["ano"] = anos
for i in ests:
    string = "sigla_uf == '" + i + "'"
    var = adb.query(string)['sumareaplant'].to_numpy()
    emdf.insert(len(emdf.columns) , i ,  var)
emdf.head()

	ano	AC	AM	AP	MA	MT	PA	RO	RR	TO
0	1994	1251.99	807.99	41.48	19719.09	29329.40	10513.09	8168.49	321.40	3032.24
1	1995	1199.13	812.32	54.28	20202.60	35262.39	11509.61	7513.37	378.62	3035.38
2	1996	736.89	1770.57	99.33	9935.86	32563.73	12341.82	4361.87	382.30	2235.17
3	1997	767.13	1818.11	111.25	10598.32	34033.00	11697.84	4513.31	396.13	2579.06
4	1998	832.13	2015.16	111.59	11612.94	39162.57	12218.08	4853.99	397.93	2879.28

Vamos mostrar como as áreas de lavouras se comportaram nos estados, se aumentaram ou diminuiram. Sabemos que o bioma da amazônia diminuiu.

Para lembrar do gráfico de linhas um pouco anteriormente no notebook, vamos plotá-lo novamente com todos os estados:

emdfb = pd.DataFrame()
emdfb["ano"] = anos
for i in ests:
    string = "sigla_uf == '" + i + "'"
    var = adb.query(string)['areatotal'].to_numpy()
    emdfb[i] = var
emdfb.head()

	ano	AC	AM	AP	MA	MT	PA	RO	RR	TO
0	1994	154742.431297	1.505151e+06	136805.989747	75481.156639	433299.150186	1.106713e+06	195376.592716	218306.035013	8569.075744
1	1995	154298.809479	1.506828e+06	136745.308710	74272.545092	429766.345561	1.097547e+06	191833.580550	218514.467052	7311.394573
2	1996	153240.042606	1.504383e+06	136724.179595	72223.250740	422290.605462	1.091378e+06	188182.214708	217783.942974	7543.892953
3	1997	152588.674459	1.503815e+06	136811.637492	72837.223173	412144.718601	1.084548e+06	186252.888139	218019.804184	6976.358418
4	1998	152234.087485	1.503607e+06	136775.430191	71104.771291	409861.953011	1.079994e+06	183489.029383	217316.767219	7107.274914

fig = px.line(emdfb, x='ano', y=ests,
             title='Área total(km²) do bioma da amazônia por estados entre 1994 e 2018',
            line_shape = 'spline')

fig.show()

Todas as linhas inclinadas ligeiramente para baixo, indicando a perda das áreas amazônicas e da biodiversidade

Vamos somar as áreas amazônicas de 1994 de todos os estados e comparar com a área total perdida.

areatot = csvCob.query('ano == 1994')['areatotal']
areaperd = deltadb['perdatot']
totperd = areaperd.sum()
atot = areatot.sum()

Calculando porcentagem de área perdida:

percent = totperd/atot
percent * 100

6.519217974461627

Vemos que a área total perdida da amazônia foi 6,5 %. É realmente muita cobertura vegetal perdida, um lamento.

Gráfico referente à pecuária:

fig = px.line(emdf, x='ano', y=ests,
             title='Área total(km²) usada na agropecuária nesses estados entre 1994 e 2018',
            line_shape = 'spline')

fig.show()

No gráfico, vemos que no Mato Grosso, que foi um dos estados que mais sofreu com a fronteira agrícola, as áreas de lavouras aumentaram muito.

Nos outros estados também aumentou, porém não foram mudanças tão significantes quanto no MT.

Fica claro a possibilidade do aumento das lavouras no Mato Grosso ter afetado as áreas referentes ao bioma Amazônia.

Aqui finalizamos a análise explorativa de dados referentes à área da amazônia, governos e lavouras nos 9 estados que possuem grandes áreas do bioma amazônia.